Representasi Teks
Dari one-hot ke word embedding ke embedding kontekstual — bagaimana mesin mewakili makna kata.
- 3 pelajaran
- 50 min
- 4 simulasi
Analisis sentimen, deteksi topik, dan routing tiket — dari TF-IDF + regresi logistik sampai fine-tuning transformer.
Hanya saran, tidak pernah mengunci — Anda bisa mulai di sini.
Judul dan ringkasan setiap pelajaran terbuka untuk umum. Isi pelajarannya terbuka setelah Anda memiliki jalurnya.
Semua pelajaran di Natural Language Processing (NLP)Setiap langkah pra-pemrosesan membuang informasi. Pelajaran ini tentang memutuskan dengan sengaja apa yang digabung, apa yang dipertahankan, dan kenapa jawabannya berbeda untuk TF-IDF dan transformer.
TF-IDF dengan regresi logistik: dilatih dalam sedetik, bobotnya terbaca, dan sering cukup. Pelajaran ini membangunnya dari 60 ulasan sampai ke keputusan threshold untuk routing.
Pinjam model yang sudah membaca jutaan kalimat Indonesia, pasang kepala klasifikasi 2.307 parameter, dan latih sebentar — lalu putuskan dengan jujur apakah hasilnya sepadan dengan biayanya.
Satu prompt bisa mengklasifikasi tanpa satu pun label latih. Pertanyaannya bukan lagi "bisa atau tidak", melainkan kapan ia lebih murah, kapan lebih mahal, dan bagaimana Anda tahu hasilnya benar.
Dari one-hot ke word embedding ke embedding kontekstual — bagaimana mesin mewakili makna kata.
Named entity recognition, ekstraksi relasi, dan mengubah dokumen bebas menjadi data terstruktur.
Encoder, decoder, BERT dan GPT — arsitektur yang mengubah NLP, dan cara memakai model pralatih.
Embedding kalimat, database vektor, dan mengevaluasi retrieval — fondasi pencarian modern dan RAG.